ExplAIner
据arXiv预印本显示，由Marcelo Arenas等六位学者共同完成的论文《ExplAIner: A Declarative Query Language for Explaining Classification Models》于2026年7月提交。该研究针对机器学习分类模型的可解释性问题，提出了一种名为ExplAIner的声明式查询语言。该语言允许用户以结构化、可复现的方式对模型内部逻辑进行查询与解析，旨在提升黑盒模型的透明度和可信度，为领域专家和开发者提供更直观的模型行为分析工具。目前论文已开放PDF和HTML全文访问。 #ExplAIner #声明性查询语言 #分类模型解释 #可解释AI #机器学习 #arXiv #模型透明度
据arXiv预印本显示，由Marcelo Arenas等六位学者共同完成的论文《ExplAIner: A Declarative Query Language for Explaining Classification Models》于2026年7月提交。该研究针对机器学习分类模型的可解释性问题，提出了一种名为ExplAIner的声明式查询语言。该语言允许用户以结构化、可复现的方式对模型内部逻辑进行查询与解析，旨在提升黑盒模型的透明度和可信度，为领域专家和开发者提供更直观的模型行为分析工具。目前论文已开放PDF和HTML全文访问。 #ExplAIner #声明性查询语言 #分类模型解释 #可解释AI #机器学习 #arXiv #模型透明度
新论文提出TopoBrick方法，用于建筑物联网零样本预测
近日，一篇题为“TopoBrick: Agentic Topology Sampling of Exogenous Variables for Zero-Shot Building IoT Forecasting”的研究论文在arXiv预印本平台发布。该论文由Xiachong Lin等9位作者共同完成，提交时间为2026年7月7日。论文聚焦建筑物联网的零样本预测问题，创新性地提出TopoBrick方法，通过对影响建筑系统的外生变量进行代理拓扑采样，使模型能够在无目标域标注数据的情况下实现准确预测。该方法有望解决建筑数据标注困难、场景迁移性差等痛点，为建筑节能与智能运维提供新思路。目前论文全文及代码链接已在arXiv上开放。 #论文 #arXiv #建筑物联网 #零样本学习 #预测 #TopoBrick #AI
近日，一篇题为“TopoBrick: Agentic Topology Sampling of Exogenous Variables for Zero-Shot Building IoT Forecasting”的研究论文在arXiv预印本平台发布。该论文由Xiachong Lin等9位作者共同完成，提交时间为2026年7月7日。论文聚焦建筑物联网的零样本预测问题，创新性地提出TopoBrick方法，通过对影响建筑系统的外生变量进行代理拓扑采样，使模型能够在无目标域标注数据的情况下实现准确预测。该方法有望解决建筑数据标注困难、场景迁移性差等痛点，为建筑节能与智能运维提供新思路。目前论文全文及代码链接已在arXiv上开放。 #论文 #arXiv #建筑物联网 #零样本学习 #预测 #TopoBrick #AI
端到端自动驾驶模型可解释性新研究
一篇题为《Driving the Wrong Way: Leveraging Interpretability in End2End Autonomous Driving Models》的论文近日在arXiv上提交。该论文由Franz Motzkus等人撰写，提交日期为2026年7月7日。研究针对端到端自动驾驶模型普遍存在的“黑箱”问题，提出利用可解释性技术来解析模型为何会出现逆向行驶等错误决策。论文探讨了通过分析模型内部表征来理解其行为机制，旨在识别导致不良驾驶策略的关键因素，进而提升自动驾驶系统的安全性和可靠性。这项工作为在复杂驾驶环境中部署更可信赖的端到端模型提供了新的思路和有价值的参考。 #自动驾驶 #端到端 #可解释性 #AI #机器学习 #arXiv #模型安全 #科技前沿
一篇题为《Driving the Wrong Way: Leveraging Interpretability in End2End Autonomous Driving Models》的论文近日在arXiv上提交。该论文由Franz Motzkus等人撰写，提交日期为2026年7月7日。研究针对端到端自动驾驶模型普遍存在的“黑箱”问题，提出利用可解释性技术来解析模型为何会出现逆向行驶等错误决策。论文探讨了通过分析模型内部表征来理解其行为机制，旨在识别导致不良驾驶策略的关键因素，进而提升自动驾驶系统的安全性和可靠性。这项工作为在复杂驾驶环境中部署更可信赖的端到端模型提供了新的思路和有价值的参考。 #自动驾驶 #端到端 #可解释性 #AI #机器学习 #arXiv #模型安全 #科技前沿
AI编程工具选择指南
随着AI编程工具的爆发式增长，开发者面临选择困难。本文作者通过实际体验，梳理了当前主流AI编程交互方式，包括聊天式界面（如ChatGPT、Claude）、专用IDE分支（如Cursor）以及VS Code扩展。作者认为，VS Code扩展最具灵活性和自由度，推荐使用Claude Code与Codex作为主力工具，两者在稳定性和回答质量上表现突出。同时，开源方案如Cline虽支持多供应商，但API成本较高；部分国产AI也可通过扩展集成。作者强调，不同工具在价格、生态封闭性及用户友好度上差异明显，建议开发者根据项目需求谨慎选择。 #AI编程 #VS Code #编程工具 #Claude #Codex #开发者 #人工智能 #技术指南
随着AI编程工具的爆发式增长，开发者面临选择困难。本文作者通过实际体验，梳理了当前主流AI编程交互方式，包括聊天式界面（如ChatGPT、Claude）、专用IDE分支（如Cursor）以及VS Code扩展。作者认为，VS Code扩展最具灵活性和自由度，推荐使用Claude Code与Codex作为主力工具，两者在稳定性和回答质量上表现突出。同时，开源方案如Cline虽支持多供应商，但API成本较高；部分国产AI也可通过扩展集成。作者强调，不同工具在价格、生态封闭性及用户友好度上差异明显，建议开发者根据项目需求谨慎选择。 #AI编程 #VS Code #编程工具 #Claude #Codex #开发者 #人工智能 #技术指南
Mobilerun VA 推出 AI 代理，可在真实手机上自动执行操作
名为 Mobilerun VA 的 AI 代理平台近日进入公开测试阶段。该平台将 Claude、Hermes 等大语言模型接入云端真实物理手机，使 AI 能够像人类一样读取屏幕、点击、滑动并输入信息，实现跨应用的复杂工作流自动化，同时支持接收短信。平台提供设备管理、移动代理和专用设备等模块，可弹性扩展至万台设备，并支持通过 API 或自然语言驱动。该产品已被 a16z 和 Y Combinator 旗下团队采用，并获得 Merantix 和 DEGREE Ventures 投资。定价从每月 5 美元的个人方案到 150 美元的企业级物理手机方案不等，适用于 AI 工作流、账号管理、数据采集和客户消息等场景。 #AI代理 #手机自动化 #MobilerunVA #云端真实手机 #大模型 #自动化工作流 #YC #a16z #创业 #科技
名为 Mobilerun VA 的 AI 代理平台近日进入公开测试阶段。该平台将 Claude、Hermes 等大语言模型接入云端真实物理手机，使 AI 能够像人类一样读取屏幕、点击、滑动并输入信息，实现跨应用的复杂工作流自动化，同时支持接收短信。平台提供设备管理、移动代理和专用设备等模块，可弹性扩展至万台设备，并支持通过 API 或自然语言驱动。该产品已被 a16z 和 Y Combinator 旗下团队采用，并获得 Merantix 和 DEGREE Ventures 投资。定价从每月 5 美元的个人方案到 150 美元的企业级物理手机方案不等，适用于 AI 工作流、账号管理、数据采集和客户消息等场景。 #AI代理 #手机自动化 #MobilerunVA #云端真实手机 #大模型 #自动化工作流 #YC #a16z #创业 #科技
AI推理成本两极分化
据外媒报道，AI推理价格正呈现明显分化。印度AI工程师Aman Panjwani指出，GPT-4级模型每百万token输出成本已从2022年底的20美元降至当前的0.40美元，降幅达55倍。2025年1月DeepSeek R1以极低定价发布，更促使整个市场一夜重定价。然而，前沿模型价格却在攀升：OpenAI将GPT-5.5价格翻倍至输入5美元、输出30美元；Google Gemini Flash 3.5价格高出前代3至6倍；Anthropic Claude Sonnet 5虽单价降低，但消耗更多token。Panjwani认为token市场正在分裂，通用推理成本趋近于零，前沿推理成本反升。同时，AI测量平台Larridin的CTO Ameya Kanitkar表示，因模型能处理更复杂任务及转向计量计费，企业AI支出自年初已上涨约10倍，但高支出并不等同于高生产力，约15%至30%的用户贡献了超50%的费用，且存在“烧token”失效的拐点。开源模型正快速追赶前沿模型，企业开始主动控制成本。 #AI #人工智能 #大模型 #推理成本 #成本分化 #前沿模型 #开源模型 #DeepSeek #OpenAI #Anthropic
据外媒报道，AI推理价格正呈现明显分化。印度AI工程师Aman Panjwani指出，GPT-4级模型每百万token输出成本已从2022年底的20美元降至当前的0.40美元，降幅达55倍。2025年1月DeepSeek R1以极低定价发布，更促使整个市场一夜重定价。然而，前沿模型价格却在攀升：OpenAI将GPT-5.5价格翻倍至输入5美元、输出30美元；Google Gemini Flash 3.5价格高出前代3至6倍；Anthropic Claude Sonnet 5虽单价降低，但消耗更多token。Panjwani认为token市场正在分裂，通用推理成本趋近于零，前沿推理成本反升。同时，AI测量平台Larridin的CTO Ameya Kanitkar表示，因模型能处理更复杂任务及转向计量计费，企业AI支出自年初已上涨约10倍，但高支出并不等同于高生产力，约15%至30%的用户贡献了超50%的费用，且存在“烧token”失效的拐点。开源模型正快速追赶前沿模型，企业开始主动控制成本。 #AI #人工智能 #大模型 #推理成本 #成本分化 #前沿模型 #开源模型 #DeepSeek #OpenAI #Anthropic
企业未设限额一个月AI费用超5亿美元，代币浪费严重
某公司因未设置员工使用上限，一个月内AI token支出高达5亿美元，Uber、ServiceNow等企业也在今年前几个月耗尽全年AI预算。原因在于Anthropic、GitHub Copilot等主流AI供应商正从包月制转向按量计费，例如GitHub Copilot计划于2026年6月调整价格，部分用户模型成本将暴涨9至18倍。同时，企业大规模部署AI代理，多代理系统token消耗是聊天交互的15倍，编程代理系统更超过1000倍。报告指出，50%至80%的token支出属于浪费，源于使用前沿模型处理琐碎任务、重复处理上下文、以及代理间“闲聊式”通信。不过，这些浪费可通过上下文记忆管理、模型选择优化等方法修复。 #AI #代币 #企业支出 #成本控制 #Token #科技新闻 #大模型
某公司因未设置员工使用上限，一个月内AI token支出高达5亿美元，Uber、ServiceNow等企业也在今年前几个月耗尽全年AI预算。原因在于Anthropic、GitHub Copilot等主流AI供应商正从包月制转向按量计费，例如GitHub Copilot计划于2026年6月调整价格，部分用户模型成本将暴涨9至18倍。同时，企业大规模部署AI代理，多代理系统token消耗是聊天交互的15倍，编程代理系统更超过1000倍。报告指出，50%至80%的token支出属于浪费，源于使用前沿模型处理琐碎任务、重复处理上下文、以及代理间“闲聊式”通信。不过，这些浪费可通过上下文记忆管理、模型选择优化等方法修复。 #AI #代币 #企业支出 #成本控制 #Token #科技新闻 #大模型
DT-Guard：面向免推理LLM安全护栏的意图驱动推理主动训练
据arXiv预印本，He Liu等研究者提出DT-Guard框架，该框架采用意图驱动推理主动训练方法，旨在提升无需显式推理的大型语言模型（LLM）安全护栏的性能。针对传统安全护栏依赖模型推理能力所带来的高延迟与资源消耗问题，DT-Guard通过主动训练机制使护栏在离线阶段学习识别恶意输入的模式，从而在在线防护中无需额外推理步骤即可快速响应。其核心思路是以用户意图为导向驱动训练过程，增强护栏对潜在威胁的敏感性。这一研究为构建轻量化、高效率且鲁棒性强的LLM安全系统提供了新思路。 #DTGuard #大模型安全 #安全护栏 #意图驱动 #推理主动训练 #LLM #AI安全 #arXiv
据arXiv预印本，He Liu等研究者提出DT-Guard框架，该框架采用意图驱动推理主动训练方法，旨在提升无需显式推理的大型语言模型（LLM）安全护栏的性能。针对传统安全护栏依赖模型推理能力所带来的高延迟与资源消耗问题，DT-Guard通过主动训练机制使护栏在离线阶段学习识别恶意输入的模式，从而在在线防护中无需额外推理步骤即可快速响应。其核心思路是以用户意图为导向驱动训练过程，增强护栏对潜在威胁的敏感性。这一研究为构建轻量化、高效率且鲁棒性强的LLM安全系统提供了新思路。 #DTGuard #大模型安全 #安全护栏 #意图驱动 #推理主动训练 #LLM #AI安全 #arXiv
任务分解引导重排序方法提升自适应Agent技能检索性能
近日，一篇题为《Task Decomposition-Guided Reranking for Adaptive Agent Skill Retrieval》的论文在arXiv平台上发布。该论文由Yanping Chen等学者撰写，聚焦智能体技能检索的自适应问题，提出一种基于任务分解的重排序框架。传统技能检索往往独立于任务整体结构，而该方法通过将复杂任务分解为子步骤，再对候选技能进行重排序，从而更精准地匹配当前需求。论文已提交至arXiv，并提供PDF及HTML版本供开放获取。该研究对于自动化工作流、机器人规划等依赖技能建模的领域具有潜在价值，有望推动智能体在动态环境中更灵活地调用技能。 #arXiv #任务分解 #重排序 #自适应 #Agent #技能检索 #人工智能 #学术论文
近日，一篇题为《Task Decomposition-Guided Reranking for Adaptive Agent Skill Retrieval》的论文在arXiv平台上发布。该论文由Yanping Chen等学者撰写，聚焦智能体技能检索的自适应问题，提出一种基于任务分解的重排序框架。传统技能检索往往独立于任务整体结构，而该方法通过将复杂任务分解为子步骤，再对候选技能进行重排序，从而更精准地匹配当前需求。论文已提交至arXiv，并提供PDF及HTML版本供开放获取。该研究对于自动化工作流、机器人规划等依赖技能建模的领域具有潜在价值，有望推动智能体在动态环境中更灵活地调用技能。 #arXiv #任务分解 #重排序 #自适应 #Agent #技能检索 #人工智能 #学术论文
TOFFEE
一篇题为"Demonstrating TOFFEE: A Learned System for Synthesizing Data Agent Trajectories at Scale"的论文于近日提交至arXiv预印本平台。该论文由Ziting Wang等五位作者合作完成，主要展示了一个名为TOFFEE的学习系统，用于大规模合成数据代理轨迹。论文介绍了系统的设计和实现，并进行了相关演示。数据代理轨迹的合成在自动化、仿真和数据增强等领域具有重要应用，TOFFEE提供了一种基于学习的可扩展方案。该论文的提交日期为2026年7月7日。 #TOFFEE #数据代理 #轨迹合成 #机器学习 #arXiv #人工智能 #科技论文
一篇题为"Demonstrating TOFFEE: A Learned System for Synthesizing Data Agent Trajectories at Scale"的论文于近日提交至arXiv预印本平台。该论文由Ziting Wang等五位作者合作完成，主要展示了一个名为TOFFEE的学习系统，用于大规模合成数据代理轨迹。论文介绍了系统的设计和实现，并进行了相关演示。数据代理轨迹的合成在自动化、仿真和数据增强等领域具有重要应用，TOFFEE提供了一种基于学习的可扩展方案。该论文的提交日期为2026年7月7日。 #TOFFEE #数据代理 #轨迹合成 #机器学习 #arXiv #人工智能 #科技论文
基于信息增益的展开策略优化论文亮相arXiv
近日，一篇题为“Information Gain-based Rollout Policy Optimization: An Adaptive Tree-Structured Rollout Approach for Multi-Turn LLM Agents”的论文被提交至arXiv预印本平台。该论文由Yijun Zhang等9位作者共同完成，提出了一种基于信息增益的展开策略优化（IG-RPO）方法。该方法采用自适应树结构展开，旨在优化多轮大语言模型（LLM）代理的决策策略。当前论文在计算机科学（cs）领域下浏览，并已获得arXiv编号，其DOI正在注册中。这项研究或为多轮对话AI的策略学习提供新的思路。 #arXiv #论文 #LLM
近日，一篇题为“Information Gain-based Rollout Policy Optimization: An Adaptive Tree-Structured Rollout Approach for Multi-Turn LLM Agents”的论文被提交至arXiv预印本平台。该论文由Yijun Zhang等9位作者共同完成，提出了一种基于信息增益的展开策略优化（IG-RPO）方法。该方法采用自适应树结构展开，旨在优化多轮大语言模型（LLM）代理的决策策略。当前论文在计算机科学（cs）领域下浏览，并已获得arXiv编号，其DOI正在注册中。这项研究或为多轮对话AI的策略学习提供新的思路。 #arXiv #论文 #LLM